React+Python人脸识别登录系统：如何验证上传图片为实时相机拍摄？

阿华AIGC实验室

2026-4-29

解决人脸识别登录的实时拍摄验证问题

你的问题非常典型——仅通过Base64图片提交的方式完全无法防止照片伪造，必须结合前端实时流验证和后端活体检测来构建可靠的防御体系。下面是几个可行的方案，从简单到复杂，你可以根据需求组合使用：

1. 前端层面：确保图片来自活跃的摄像头流

前端可以先做一道基础验证，确认提交的图片确实来自当前激活的摄像头媒体流，而不是本地文件或伪造的Base64。

实现方式：

使用react-webcam的stream属性，检查视频轨道的状态：

import Webcam from "react-webcam";
import { useRef } from "react";

const LoginComponent = () => {
  const webcamRef = useRef(null);

  const handleLogin = async () => {
    // 1. 验证摄像头流是否活跃
    const videoTracks = webcamRef.current.stream.getVideoTracks();
    if (!videoTracks.length || videoTracks[0].readyState !== "live") {
      alert("请使用实时摄像头进行拍摄！");
      return;
    }

    // 2. 获取实时截图（替代canvas.toDataURL）
    const faceUri = webcamRef.current.getScreenshot();

    // 3. 请求后端生成随机nonce，防止重放攻击
    const nonceRes = await fetch("/api/get-login-nonce", { method: "GET" });
    const nonce = await nonceRes.text();

    // 4. 提交请求，携带nonce
    const response = await fetch("/api/login", {
      method: "POST",
      headers: { "Content-Type": "application/json" },
      body: JSON.stringify({ face: faceUri, nonce: nonce }),
    });

    // 后续处理登录响应...
  };

  return (
    <div>
      <Webcam ref={webcamRef} screenshotFormat="image/jpeg" />
      <button onClick={handleLogin}>人脸登录</button>
    </div>
  );
};

为什么有效：

只有当摄像头处于激活状态时，videoTrack的readyState才会是live，本地图片或伪造流无法通过这层验证。
随机nonce由后端生成并绑定用户会话，攻击者无法复用旧的Base64图片进行重放攻击。

2. 后端层面：强制活体检测（核心防御）

前端验证只能防住初级攻击，真正的核心是后端对图片进行活体检测，判断提交的内容是真人而非照片/视频截图。

可选实现方案：

方案A：基于动作的活体检测（低成本）

要求用户完成简单动作（如眨眼、转头），后端通过连续多张图片分析动作是否符合真人行为：

import face_recognition
import cv2
from scipy.spatial import distance

def eye_aspect_ratio(eye):
    # 计算眼部纵横比，判断是否眨眼
    A = distance.euclidean(eye[1], eye[5])
    B = distance.euclidean(eye[2], eye[4])
    C = distance.euclidean(eye[0], eye[3])
    return (A + B) / (2.0 * C)

def verify_liveness(face_images):
    # face_images是连续3-5张用户拍摄的图片
    ear_history = []
    for img in face_images:
        # 转换图片格式并提取面部关键点
        rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        landmarks_list = face_recognition.face_landmarks(rgb_img)
        if not landmarks_list:
            return False
        left_eye = landmarks_list[0]["left_eye"]
        right_eye = landmarks_list[0]["right_eye"]
        ear = (eye_aspect_ratio(left_eye) + eye_aspect_ratio(right_eye)) / 2.0
        ear_history.append(ear)
    
    # 检查是否有眨眼动作（EAR值突然下降超过30%）
    for i in range(1, len(ear_history)):
        if ear_history[i] < ear_history[i-1] * 0.7:
            return True
    return False